基于遗传算法的BOD神经网络软测量

针对污水处理过程中关键水质参数无法在线监测的问题,提出基于遗传算法和BP神经网络相结合的污水水质软测量方法,该方法采用遗传算法优化神经网络结构和权、阈值分布,再用BP算法对神经网络进行训练,得到最优的建模网络.仿真结果表明该方法可以避免单独使用BP网络容易陷入局部最小的问题,并能加快全局收敛速度,对水质参数BOD(生化需氧量)预测实时性好、稳定性高、精度高,可用于污水水质的在线预测.     

神经网络在工业污水处理建模中的应用

研究工业污水指标在线准确检测问题,工业污水处理是一种复杂的动态生物反应工程系统,具有多变量、非线性等特点,难以建立精确的数学模型,且在线实时检测仪表价格昂贵。从应用工程角度出发,提出将遗传神经网络方法应用于污水指标实时检测,建立污水指标软测量模型。利用一些可测指标与水质指标间的关联关系,通过神经网络进行拟合,并采用遗传算法优化神经网络参数。仿真结果表明,建立的神经网络污水估计模型,可以对污水指标进行实时检测和估计,并为污水在线实时检测提供了新的思路。     

氧化铝浓度软测量技术研究

分析了铝电解生产过程中建立氧化铝浓度神经网络软测量模型的必要性和可行性,根据软测量建模理论建立了采用Levenberg-Marquardt算法的氧化铝浓度神经网络软测量模型.实际应用结果证明了该软测量模型能够有效实现氧化铝浓度的在线检测.     

污水处理出水水质软测量建模研究

污水水质参数监测技术是限制实时在线控制的一个重要因素。本论文进行了基于神经网络软测量技术的污水处理出水水质软测量建模的研究,目标是解决污水处理厂重要出水水质指标因人工化验检测而产生的严重滞后问题,以实现污水处理出水水质的预测及控制。     

污水处理过程出水水质多模型在线软测量方法

针对污水处理过程出水水质参数难以在线监测的问题,提出了一种多模型在线软测量方法。该方法根据污水处理过程中实时工况数据具有聚类和迁移属性的特点,利用在线减法聚类算法将实时工况数据样本进行划分,并根据实时工况数据在样本空间中的分布,采用模糊策略将相应子空间的实时工况数据分配给不同的子模型进行学习,最后通过动态集成各子模型的输出而得到最终软测量结果。以某污水处理厂实际运行数据对污水处理过程出水水质氨氮进行预测,实验结果表明,该方法确实能够以实时工况数据为驱动自组织构建多模型软测量模型,且用该方法构建出的多模型软测量模型无论在建模精度、建模速度以及跟踪实时工况的能力等方面都有所提高。     

模糊粗集理论在污水参数软测量中的应用

出水水质的建模与预测是污水处理过程先进控制的基础,针对污水生化处理过程的非线性、大滞后等特点,提出一种基于模糊粗糙集和RBF神经网络的出水水质预测方法.先用模糊粗糙集理论约简属性消除冗余信息后,建立基于RBF神经网络软测量模型,并应用该模型对实际污水厂的出水氨氯预测进行仿真.结果表明了该软测量模型的可靠性和有效性.     

基于支持向量机的污水处理软测量算法的研究

针对污水处理过程中生化需氧量BOD难以实时在线测量的问题,建立了用于预估BOD的支持向量机（SVM）的软测量模型。考虑到该支持向量机模型的测量精度取决于其两个参数C、σ能否获得最优值,采用遗传算法和粒子群优化算法,实现对这两个参数的寻优。仿真结果表明：该软测量模型的测量精度较高,可用于污水处理厂对BOD进行在线测量。     

A2/O污水处理过程出水水质的多元线性回归软测量模型

为实现污水处理出水水质的预测预报，笔以昆明市污水处理厂的A^2／0工艺为背景，针对其出水水质多个参量难以在线测量的问题，提出采用软测量技术，建立了多输入多输出的多元线性回归软测量模型。     

SMB色谱分离过程组分纯度软测量技术

针对SMB色谱分离过程中组分纯度的实时测量存在困难的现状,建立了两组分(葡萄糖、果糖)纯度的在线软测量模型。软测量模型采用NNARMAX模型作为模型辨识类;采用BP神经网络对模型进行逼近,为加快网络收敛速度,采用Levenberg—Marquardt算法对网络进行训练。在Matlab工作平台上进行了大量的仿真,对该模型进行验证,仿真结果证明了该方法的有效性。     

基于改进型PSO-BP神经网络的SVI软测量

针对曝气池污泥体积指数(SVI)难于在线测量的情况,提出了一种基于改进型的BP神经网络对SVI软测量的模型,该模型利用改进粒子群优化算法对BP神经网络进行权值调整。为了提高BP神经网络的学习性能,使粒子群的惯性权值按照对数规律变化,同时引入自适应变异算子对局部最优的粒子进行变异,然后利用粗糙集理论消除冗余信息,得到输入变量。该模型对实际污水厂的SVI值进行软测量预测,并与其它软测量模型进行比较,结果表明了该软测量模型具有较好的精度。     

基于改进遗传算法优化BP神经网络的土壤湿度预测模型

我国是农业大国,在进行农业生产过程中,对土壤的湿度进行精准预测具有非常重要的意义.针对传统BP(back propagation)神经网络在预测过程中会出现局部最小化以及收敛速度慢的问题,本文将改进的遗传算法(genetic algorithm)应用到传统BP神经网络模型当中,提出了一种自适应遗传算法优化BP神经网络的土壤湿度预测方法.通过Matlab仿真软件建立改进遗传算法优化BP神经网络的预测模型,并且对哈尔滨地区玉米地的土壤湿度进行实验.结果表明,该模型的精度高于未优化的BP神经网络.该模型能够大量减少湿度传感器的使用,为农业生产减少了成本.     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于PCA的多神经网络软测量模型及其在工业中的应用

在复杂工业生产中 ,影响生产的因素非常多 ,使得用于软测量的神经网络模型极其复杂 .针对这个问题 ,利用主元分析法 (PCA)将影响因素重组 ,在此基础上 ,提出了一种多神经网络 (PCA- MNN)模型 .介绍了 PCA- MNN的结构及学习算法 ,并将其应用于氧化铝高压溶出过程中苛性比值及溶出率的软测量 ,利用现场实际运行数据进行仿真 ,结果表明 PCA- MNN模型能有效实现苛性比值及溶出率的在线检测     

Electro jet drilling using hybrid NNGA approach

This paper presents a hybrid neural network and genetic algorithm (NNGA) approach for the multi-response optimization of the electro jet drilling (EJD) process. The approach first uses a neural network model to predict the response parameters of the process. A genetic algorithm is then applied to the trained neural network model to obtain the optimal process parameters values in which desirability function approach is used to obtain the fitness function for the genetic algorithm from the network output. The simulated results are found to have a close correlation with the experimental data.     

Prediction of service life of large centrifugal compressor remanufactured impeller based on clustering rough set and fuzzy Bandelet neural network

In order to predict the service life of large centrifugal compressor impeller correctly, the rough set and fuzzy Bandelet neural network are combined to construct the novel prediction model which can give full play to theirs advantages. The attribute reduction algorithm based rough set and clustering method is firstly designed to optimize the inputting variables of fuzzy Bandelet neural network. And then the prediction model based on fuzzy Bandelet neural network is proposed, the Bandelet function is used as the excitation function of hidden layer and is combined with fuzzy theory to improve the prediction effectiveness of the prediction model. The training algorithm of fuzzy Bandelet neural network is designed based on improved genetic algorithm, the improved genetic algorithm introduces the adaptive differential evolution method into the traditional genetic algorithm, which can effectively optimize the parameters of fuzzy Bandelet neural network. Finally, the original 30 input variables of fuzzy Bandelet neural network are reduced to 9 input nodes based on rough set using 500 remanufacturing impellers as research objects. The service life of remanufacturing impeller is predicted based on three prediction models, and simulation results show that the fuzzy Bandelet neural network optimized by improved genetic algorithm has highest prediction precision and efficiency, which can correctly predict the service life of remanufacturing impeller.     

基于实数编码遗传算法的神经网络成本预测模型及其应用

在生产过程中,影响产品成本的因素多而复杂,因素之间相互影响,存在耦合现象,因此准确预测成本是一个重要又难以解决的问题.通过遗传算法(Genetic Algorithm)与误差反向传播(Error Back Propagation)神经网络相结合,提出了用实数编码的自适应变异遗传算法训练神经网络权重的混合算法,避免了传统神经网络易陷入局部极小的缺点.以矩阵形式表示产品成本组成,建立了产品成本组成模型,以此为基础建立了考虑成本因素之间互相影响的神经网络产品成本预测模型,并成功应用于某钢铁企业产品成本的预测,提高了预测精度.     

Genetic Tuning of PID Controllers Using a Neural Network Model: A Seesaw Example

When genetic algorithms (GAs) are applied for PID parameter tuning, since the PID parameters are adjusted almost randomly, it is possible that the plant will be damaged due to abrupt changes in PID parameters. To solve this problem, a neural network will be used to model the plant and the genetic tuning procedure will be performed on the neural network instead of the plant. After determining the PID parameters in this off-line manner, these gains are then applied to the plant for on-line control. Moreover, considering that the neural network model may not be accurate enough, a method is also proposed for on-line fine-tuning of PID parameters. To show the validity of the proposed method, a seesaw system that has one input and two outputs will be used for experimental evaluation     

Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir

In this work we investigate how artificial neural network (ANN) evolution with genetic algorithm (GA) improves the reliability and predictability of artificial neural network. This strategy is applied to predict permeability of Mansuri Bangestan reservoir located in Ahwaz, Iran utilizing available geophysical well log data. Our methodology utilizes a hybrid genetic algorithm–neural network strategy (GA–ANN). The proposed algorithm combines the local searching ability of the gradient–based back-propagation (BP) strategy with the global searching ability of genetic algorithms. Genetic algorithms are used to decide the initial weights of the gradient decent methods so that all the initial weights can be searched intelligently. The genetic operators and parameters are carefully designed and set avoiding premature convergence and permutation problems. For an evaluation purpose, the performance and generalization capabilities of GA–ANN are compared with those of models developed with the common technique of BP. The results demonstrate that carefully designed genetic algorithm-based neural network outperforms the gradient descent-based neural network.